Evolving Granular Fuzzy Min-Max Regression

Porto, Alisson; Gomide, Fernando

doi:10.1007/978-3-319-67137-6_18

Cited by 5 publications

(2 citation statements)

References 12 publications

Supporting

Mentioning

Contrasting

Order By: Relevance

“…Even though this approach needs three new parameters to be chosen by the user, there is a set of empirically specified values that produce reasonable prediction performance in all experiments performed in the current and previous [9] versions of the proposed algorithm. These values are: max α = 0.03, max err = 0.3, t = 10.…”

Section: Parameter αmentioning

confidence: 99%

Granular Evolving Min-Max Fuzzy Modeling

Porto¹,

Gomide²

2019

Proceedings of the 2019 Conference of the International Fuzzy Systems Association and the European Society for Fuzzy Logic and

Self Cite

View full text Add to dashboard Cite

The paper addresses a novel evolving functional fuzzy modeling algorithm using hyperboxes and min-max fuzzy granulation. Data space granulation is done as data are input, and undergoes never ending adaptation using expansion and reduction operations to encompass new information. A fuzzy rule is assigned to each hyperbox using Gaussian membership functions in the rule antecedents, and affine functions in the rule consequents. The algorithm is fast, simple, and interpretable. Computational evaluation using time series modeling and nonlinear system identification experiments shows that the granular evolving min-max fuzzy modeling algorithm outperforms current state of the art evolving algorithms counterparts.

show abstract

Section: Parameter αmentioning

confidence: 99%

Granular Evolving Min-Max Fuzzy Modeling

Porto¹,

Gomide²

2019

Proceedings of the 2019 Conference of the International Fuzzy Systems Association and the European Society for Fuzzy Logic and

Self Cite

View full text Add to dashboard Cite

show abstract

“…Leite et al (2011) also proposed the Gaussian version of FBeM for learning from imprecise data. In the studies conducted by Porto and Gomide (2017) and Porto and Gomide (2019), the granulation of data is done by partitioning the input space using hyperboxes, which is an n-dimensional rectangle defined uniquely by a maximum and a minimum points. The antecedent fuzzy sets are an aggregation of elementwise Gaussian membership functions.…”

Section: Publicationsmentioning

confidence: 99%

Evolving multitask models for machine learning

Ortega de Castro Ayres

View full text Add to dashboard Cite

Esta tese de doutorado oferece contribuições para os sistemas evolutivos, uma área de Aprendizado de Máquina em que a estrutura do modelo é construída do zero e adaptada em tempo real de acordo com os dados de entrada e saída que chegam continuamente ao longo do tempo. Uma das mais proeminentes classes de sistemas evolutivos, os sistemas evolutivos baseados em regras fuzzy, automática e recursivamente dividem o espaço de entrada em regiões fuzzy, chamadas de grânulos de informação, onde regras do tipo SE -ENTÃO são definidas para prover predições locais para a amostra de entrada. Com relação aos antecedentes das regras, introduz-se um novo algoritmo chamado Preditor evolutivo de Valores Extremos (Extreme Value evolving Predictor -EVeP na sigla em Inglês), que oferece uma abordagem bem fundamentada para definir os grânulos fuzzy evolutivos que formam os antecedentes e, também, os consequentes das regras. Esses grânulos correspondem à função de inclusão radial Weibull, interpretada pela Teoria dos Valores Extremos como a distribuição limite da proximidade relativa entre as regras do modelo de aprendizado. Com respeito aos consequentes das regras, propõe-se uma nova abordagem que aplica Aprendizado Multitarefa para determinar os parâmetros Takagi-Sugeno usando a intersecção dos grânulos de informação para formar um grafo esparso dos relacionamentos estruturais entre as regras. Assim, diferentemente do mecanismo tradicional empregado na literatura, onde cada regra é responsável pelo seu próprio aprendizado, os termos dos consequentes das regras correspondem a modelos de regressão linear que são calculados pela solução de um problema de aprendizado multitarefa. Por último, uma extensão dessa abordagem para lidar com séries temporais multivariadas é apresentada. Levando-se em conta que cada regra fuzzy é parte de um preditor para uma série temporal específica, introduz-se um procedimento unificado que atualiza o grafo esparso por meio da composição dos relacionamentos par-a-par estabelecidos pelas regras fuzzy com o grau de similaridade de suas correspondentes séries temporais. Com esta abordagem, explora-se não apenas a interação atual das várias regras que compõem cada preditor evolutivo, mas também a interação das múltiplas séries temporais que estão sendo simultaneamente preditas. Uma série de experimentos computacionais foi conduzida, evidenciando um ganho de desempenho das múltiplas abordagens introduzidas nesta tese quando comparadas a vários algoritmos estado-da-arte na literatura.

show abstract

A Bibliometric Analysis of the Last Ten Years of Fuzzy Min-Max Neural Networks

Kenger,

Özceylan

2023

Communications in Computer and Information Science

View full text Add to dashboard Cite

Evolving Granular Fuzzy Min-Max Regression

Cited by 5 publications

References 12 publications

Granular Evolving Min-Max Fuzzy Modeling

Granular Evolving Min-Max Fuzzy Modeling

Evolving multitask models for machine learning

A Bibliometric Analysis of the Last Ten Years of Fuzzy Min-Max Neural Networks

Contact Info

Product

Resources

About